Розничная торговля модой: Прогнозирование спроса на новые товары — подход на основе машинного обучения

1. Введение

Прогнозирование спроса в розничной торговле модой представляет собой одну из самых сложных задач в отрасли. Быстротечность трендов в цветах, принтах, крое, узорах и материалах в сочетании с длительными циклами разработки, требованиями к массовому производству и географическими различиями в потреблении создает для ритейлеров среду с высокими ставками. Традиционные методы прогнозирования в значительной степени опираются на исторические данные о продажах существующих товаров, что делает их непригодными для прогнозирования спроса на совершенно новые дизайны или стили, что и является основным фокусом данного исследования.

Эта статья, представленная на воркшопе KDD 2019 по ИИ для моды, устраняет этот критический пробел. Авторы из Myntra Designs предлагают новый подход, выходящий за рамки анализа временных рядов прошлых продаж. Вместо этого они анализируют масштабные данные о продажах модных товаров, чтобы определить, какие конкретные атрибуты продукта (например, вырез, тип рукава, ткань) и мерчандайзинговые факторы (например, ценовая категория, бренд) определяют потребительский спрос. Затем они строят обобщенные модели машинного обучения, способные прогнозировать спрос на новые товары исключительно на основе этих атрибутов, еще до появления какой-либо истории продаж.

2. Постановка задачи и вызовы

Ключевая проблема — это сценарий «холодного старта» в прогнозировании моды: предсказание спроса на новый товар при отсутствии исторических данных о продажах. Традиционные методы терпят неудачу, потому что:

• Нелинейные взаимодействия: Множество параметров дизайна (цвет, узор, крой) взаимодействуют сложными нелинейными способами, определяя привлекательность товара, что делает простое экстраполирование невозможным.
• Опора на интуицию: Текущая отраслевая практика часто полагается на субъективную интуицию мерчандайзеров, что приводит к высокой вариативности, неспособности учесть перекрестные эффекты между продуктами (замещение, каннибализацию) и значительным ошибкам прогнозирования.
• Бизнес- и экологическая стоимость: Неточные прогнозы приводят к упущенным возможностям продаж, огромным запасам непроданного товара (потеря оборотного капитала) и экологическому ущербу от перепроизводства и отходов.

Существует потребность в основанной на данных, обобщаемой модели, которая переводит атрибуты товара в надежный прогноз спроса на горизонт планирования в 6-8 месяцев.

3. Методология и технический подход

Методология авторов смещается от моделирования временных рядов к моделированию семантического пространства модных атрибутов.

3.1 Данные и представление атрибутов

Модель построена на большом наборе данных об исторических модных товарах, каждый из которых описан богатым набором категориальных и числовых атрибутов. Ключевым моментом их подхода является создание векторных представлений атрибутов (эмбеддингов). По аналогии с векторными представлениями слов в NLP (такими как Word2Vec), категориальные атрибуты (например, «круглый вырез», «цветочный принт») преобразуются в плотные, непрерывные векторные представления. Это позволяет модели изучать тонкие взаимосвязи и сходства между атрибутами (например, то, что «V-образный вырез» и «вырез лодочкой» более похожи друг на друга, чем на «водолазку»).

3.2 Архитектуры моделей

В статье экспериментируют с несколькими нейросетевыми архитектурами и традиционными методами машинного обучения:

• Модели на основе деревьев (XGBoost, Random Forest): Используются в качестве надежных базовых моделей, способных работать с табличными данными со смешанными типами признаков.
• Прямые нейронные сети (FFNN): Стандартные многослойные перцептроны, принимающие на вход объединенные векторные представления атрибутов и числовые признаки.
• Сети с долгой краткосрочной памятью (LSTM): Используются не для временных последовательностей продаж, а потенциально для моделирования последовательностей атрибутов или учета зависимостей в конвейере обработки признаков. В статье исследуется их полезность в этом не последовательном контексте.

Основная архитектура включает слой векторного представления для каждого категориального атрибута, выходы которых объединяются (например, конкатенируются или агрегируются) и подаются в последующие слои нейронной сети для окончательного прогноза спроса.

3.3 Функции потерь

Выбор правильной целевой функции критически важен для бизнес-эффекта. Авторы экспериментируют не только со стандартной среднеквадратичной ошибкой (MSE). Они рассматривают асимметричные функции потерь, которые по-разному штрафуют перезапас (слишком высокий прогноз) и недозапас (слишком низкий прогноз), согласовывая цель оптимизации модели с фактической структурой затрат управления розничными запасами. Упрощенная форма может быть такой:

$L(y, \hat{y}) = \begin{cases} c_{over} \cdot (\hat{y} - y) & \text{if } \hat{y} > y \\ c_{under} \cdot (y - \hat{y}) & \text{if } \hat{y} \leq y \end{cases}$

где $c_{over}$ и $c_{under}$ — соответствующие затраты на перепрогноз и недопрогноз.

4. Экспериментальные результаты и анализ

В статье демонстрируется надежная производительность предложенных моделей на основе атрибутов. Ключевые выводы, вероятно, включают (согласно аннотации):

• Превосходство над базовыми моделями: Нейросетевые модели с векторными представлениями атрибутов значительно превосходят простые модели экстраполяции исторических данных и, возможно, традиционные модели машинного обучения в задаче прогнозирования новых товаров.
• Способность к обобщению: Модели демонстрируют способность обобщаться на невидимые комбинации атрибутов, подтверждая основную гипотезу о том, что спрос определяется декомпозируемыми атрибутами.
• Сравнение архитектур: Результаты предоставляют сравнительный анализ FFNN и LSTM в данном контексте, вероятно, заключая, что хотя LSTM мощны, более простые FFNN могут быть достаточными и эффективными для этой конкретной задачи отображения атрибутов в спрос.
• Влияние функции потерь: Модели, обученные с учетом бизнес-логики асимметричными функциями потерь, приводят к прогнозам, которые минимизируют фактические затраты на запасы, а не просто ошибку предсказания.

Описание диаграммы (предположительное): Столбчатая диаграмма, вероятно, показывает сравнительные метрики (например, среднюю абсолютную процентную ошибку — MAPE, или пользовательскую метрику на основе затрат) для разных моделей: наивная базовая модель (например, средний спрос по схожим категориям), модели на основе деревьев (XGBoost), FFNN и LSTM. Нейросетевые модели с эмбеддингами покажут наименьшую ошибку. Вторая диаграмма может иллюстрировать, как ошибка прогноза меняется с параметром асимметрии в пользовательской функции потерь, показывая явный минимум при бизнес-оптимальной настройке.

5. Кейс: Применение фреймворка

Сценарий: Ритейлеру быстрой моды необходимо спрогнозировать спрос на новое летнее платье для женщин, запланированное на следующий сезон.

Шаг 1 — Определение атрибутов: Команда продукта определяет его атрибуты: {Категория: Платье, Подкатегория: Миди, Вырез: V-образный, Рукав: Короткий, Узор: Цветочный, Цвет: Пастельно-голубой, Материал: Хлопок, Ценовой сегмент: Средний, Бренд: Собственная марка}.

Шаг 2 — Векторизация признаков: Каждый категориальный атрибут (Вырез, Узор и т.д.) пропускается через его предварительно обученный слой векторного представления, преобразуя «V-образный вырез» и «Цветочный» в плотные векторы (например, [0.2, -0.5, 0.8...]). Числовые признаки, такие как цена, нормализуются.

Шаг 3 — Вывод модели: Все векторы атрибутов и числовые признаки объединяются в один входной вектор. Этот вектор подается на обученную модель FFNN.

Шаг 4 — Прогноз спроса: Модель выдает непрерывное значение, представляющее прогнозируемое общее количество проданных единиц в первом сезоне. Этот прогноз используется для планирования производства и распределения запасов.

Инсайт: Модель может внутренне распознать, что комбинация «Цветочный», «Пастельно-голубой» и длины «Мид» была очень успешной в ценовом сегменте «Средний» летом, что приводит к прогнозу с высокой уверенностью и большим объемом.

6. Будущие применения и направления

Описанный подход открывает несколько многообещающих направлений:

• Генеративный дизайн и цикл прогнозирования: Интеграция этой прогнозной модели с генеративным ИИ (таким как GAN или диффузионные модели, аналогичные используемым для синтеза изображений из текста) может создать замкнутую систему. Дизайнеры могли бы вводить мудборды трендов, генератор (вдохновленный такими моделями, как CycleGAN для переноса стиля) создавал бы новые комбинации атрибутов, а прогнозист оценивал бы их коммерческий потенциал, позволяя осуществлять ИИ-ассистированный дизайн товаров с высоким спросом.
• Интеграция с динамическим ценообразованием: Модель может быть расширена до функции спроса $D(атрибуты, цена)$, позволяя определять оптимальные начальные цены и стратегии уценок для новых товаров.
• Адаптация к другим областям: Основная методология векторного представления атрибутов для прогнозирования с холодным стартом переносима на другие розничные вертикали с богатыми атрибутами продукта, такие как электроника, мебель или косметика.
• Объяснимый ИИ (XAI): Будущая работа может быть сосредоточена на интерпретации пространств векторных представлений и решений модели, отвечая на вопрос, почему определенная комбинация атрибутов прогнозируется как успешная, предоставляя ценную обратную связь мерчандайзерам.
• Включение трендов в реальном времени: Дополнение статических атрибутов сигналами из социальных сетей (например, Instagram, Pinterest) или поисковых трендов в реальном времени может сделать прогнозы более отзывчивыми к возникающим модным увлечениям.

7. Ссылки

1. Singh, P. K., Gupta, Y., Jha, N., & Rajan, A. (2019). Fashion Retail: Forecasting Demand for New Items. In Proceedings of the KDD 2019 Workshop on AI for Fashion.
2. Ferreira, K. J., Lee, B. H. A., & Simchi-Levi, D. (2015). Analytics for an Online Retailer: Demand Forecasting and Price Optimization. Manufacturing & Service Operations Management, 18(1), 69–88.
3. Mikolov, T., Chen, K., Corrado, G., & Dean, J. (2013). Efficient Estimation of Word Representations in Vector Space. arXiv preprint arXiv:1301.3781.
4. Zhu, J.-Y., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. In Proceedings of the IEEE International Conference on Computer Vision (ICCV). (Статья CycleGAN, упомянутая для концепции генеративного дизайна).
5. Academictorrents.com & arXiv.org — как репрезентативные открытые академические базы данных для связанных работ в области машинного обучения и прогнозирования.

8. Взгляд аналитика